Pengantar Statistik

advertisement
Pengantar Statistik
Nanang Erma Gunawan
[email protected]
Sekilas tentang sejarah Statistik
Statistik: pada awal zaman Masehi, bangsa-bangsa mengumpulkan
data untuk mendapatkan informasi mengenai pajak, perang, hasil
pertanian, bahkan pertandingan atletik. Sekarang, berkembangnya
statistik dapat digunakan untuk memprediksi masa depan dengan
data yang sekarang dimiliki. Data tersebut dikumpulkan melalui
generalisasi dan peramalan.
Statistik sebagai ilmu penunjang,
disebut STATISTIKA
1. Konsep Statistika
Kegiatan STATISTIKA :
•
•
•
•
•
mengumpulkan
menyusun
menyajikan, dan
menganalisis data dengan metode tertentu
menginterpretasikan hasil analisis
Jenis Statistik
STATISTIKA DESKRIPTIF :
Statistik yang berkenaan dengan
pengumpulan, pengolahan, dan
penyajian sebagian atau seluruh data
(pengamatan) untuk memberikan
informasi: rerata, prosentase, dll
tanpa pengambilan kesimpulan
STATISTIKA INFERENSI :
Setelah data dikumpulkan, dilakukan
analisis data, dilakukan interpretasi
serta pengambilan kesimpulan.
Statistika inferensi akan menghasilkan
generalisasi hasil penelitian (jika
sampel representatif)
2. Statistika & Metode Ilmiah
METODE ILMIAH :
Adalah cara mencari kebenaran dengan resiko keliru paling kecil.
Berikut adalah LANGKAH-LANGKAH METODE ILMIAH :
1. Merumuskan masalah
2. Melakukan studi literature atau kajian pustaka
3. Membuat dugaan-dugaan, pertanyaan-pertanyaan atau hipotesis
4.
Peran Statistika: Mengumpulkan dan mengolah data,
menguji hipotesis, atau menjawab pertanyaan
5.
Mengambil kesimpulan
INSTRUMEN
SAMPEL
SIFAT DATA
VARIABEL
METODE ANALISIS
PERAN STATISTIKA
3. Data
DATA KUALITATIF dan DATA KUANTITATIF
DATA KUALITATIF :
Data yang dinyatakan dalam
bentuk bukan angka.
Contoh : jenis pekerjaan,
status marital, tingkat
kepuasan kerja
DATA
KUALITATIF
DATA KUANTITATIF :
Data yang dinyatakan dalam
bentuk angka
Contoh : lama bekerja,
jumlah gaji, usia, hasil
ulangan
NOMINAL
ORDINAL
JENIS
DATA
KUANTITATIF
INTERVAL
RASIO
4. Data
DATA NOMINAL :
Data berskala nominal adalah data yang
diperoleh dengan cara kategorisasi atau
klasifikasi.
CIRI : posisi data setara
tidak bisa dilakukan operasi matematika
(+, -, x, :)
CONTOH : jenis kelamin, jenis pekerjaan
DATA INTERVAL :
Data berskala interval adalah data yang
diperoleh dengan cara pengukuran, di mana
jarak antara dua titik skala sudah diketahui.
CIRI : Tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : temperatur yang diukur
berdasarkan 0C dan 0F, sistem kalender
DATA ORDINAL :
Data berskala ordinal adalah data yang dipeoleh
dengan cara kategorisasi atau klasifikasi, tetapi
di antara data tersebut terdapat hubungan
CIRI : posisi data tidak setara
tidak bisa dilakukan operasi matematika
(+, -, x, :)
CONTOH : kepuasan kerja, motivasi
DATA RASIO :
Data berskala rasio adalah data yang diperoleh
dengan cara pengukuran, di mana jarak antara
dua titik skala sudah diketahui dan mempunyai
titik 0 absolut.
CIRI : tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : gaji, skor ujian, jumlah buku
5. Pengolahan Data
PENGOLAHAN DATA :
A.
B.
PARAMETER :
•
Statistik PARAMETRIK : berhubungan dengan inferensi statistik yang
membahas parameter-parameter populasi; jenis data interval atau rasio;
distribusi data normal atau mendekati normal.
•
Statistik NONPARAMETRIK : inferensi statistik membahas parameterparameter populasi; jenis data nominal atau ordinal; distribusi data tidak
diketahui atau tidak normal
JUMLAH VARIABEL :
•
•
•
•
Analisis UNIVARIAT : hanya ada 1 pengukuran (variabel) untuk n
sampel atau beberapa variabel tetapi masing-masing variabel dianalisis
sendiri-sendiri..
Analisis BIVARIAT
Contoh : korelasi motivasi dengan pencapaian akademik
Analisis MULTIVARIAT : dua atau lebih pengukuran (variabel) untuk n
sampel di mana analisis antar variabel dilakukan bersamaan. Contoh :
pengaruh motivasi terhadap pencapaian akademik yang dipengaruhi oleh
faktor latar belakang pendidikan orang tua, faktor sosial ekonomi, faktor
sekolah.
7. Penyajian Data
TABEL
Tabe l 1.1 Bidang Pekerjaan berdasarkan Latar Be lakang Pe ndidikan
Count
SMU
bidang
pekerjaan
Jumlah
GRAFIK
administrasi
personalia
produksi
marketing
keuangan
1
4
2
3
10
pendidikan
Akademi
8
1
3
14
4
30
Sarjana
6
7
5
11
6
35
Jumlah
15
8
12
27
13
75
9. Membuat Grafik
GRAFIK : memberikan informasi dengan benar dan cepat, tetapi tidak rinci.
Syarat :
1. Pemilihan sumbu (sumbu tegak dan sumbu datar), kecuali grafik lingkaran
2. Penetapan skala (skala biasa, skala logaritma, skala lain)
3. Ukuran grafik (tidak terlalu besar, tinggi, pendek)
Jenis Grafik :
Sumbu tegak
4
• Grafik Batang (Bar)
3
• Grafik Garis (line)
2
• Grafik Lingkaran (Pie)
1
• Grafik Interaksi (Interactive)
0
Titik
pangkal
1
2
3
4
Sumbu datar
10. Jenis Grafik
Grafik Garis (line)
20
20
10
10
Jumlah
30
0
administrasi
personalia
produksi
marketing
0
administrasi
keuangan
personalia
produksi
marketing
keuangan
bidang pekerjaan
bidang pekerjaan
Grafik Interaksi (interactive)
Grafik lingkaran (pie)
800000
keuangan
administrasi
700000
600000
personalia
marketing
produksi
Mean gaji perbulan
Count
Grafik Batang (Bar)
30
500000
Jenis kelamin
400000
laki-laki
300000
w anita
sangat jelek
jelek
prestasi kerja
cukup baik
baik
sangat baik
11. Frekuensi
FREKUENSI : banyaknya data untuk satu kelompok/klasifikasi
KELOMPOK
FREKUENSI
Kelompok ke-1
f1
Kelompok ke-2
f2
Kelompok ke-3
f3
Kelompok ke-i
fi
Kelompok ke-k
fk
k
n = Σ fi
i=1
Pendidikan
Frekuensi
S1
34
S2
29
S3
37
k
n = Σ fi = f1 + f2 + f3 +….. + fi + …… + fk
i=1
100
12. Distribusi Frekuensi
DISTRIBUSI FREKUENSI : mengelompokkan data interval/rasio dan menghitung
banyaknya data dalam satu kelompok/klasifikasi
USIA
FREKUENSI
Membuat distribusi frekuensi :
1.
Mencari sebaran (range) yakni selisih antara data paling besar
dengan data paling kecil) + 1  35 – 20 + 1= 16
2.
Menentukan banyak kelas dengan rumus k = 1 + 3,3 log n
7
1.
Menentukan panjang kelas dengan rumus
p = sebaran / banyak kelas  16/7 = 2
20
5
21
6
22
13
23
4
24
7
25
7
KELOMPOK USIA
26
7
20 – 21
11
27
5
22 – 23
17
28
3
24 – 25
14
29
4
26 – 27
12
30
15
28 – 29
7
31
3
30 – 31
18
33
5
32 - 33
5
35
1
34 - 35
1
FREKUENSI
13. Grafik
Poligon
KELOMPOK
USIA
FREKUENSI
NILAI TENGAH
20-21
11
20,5
22-23
17
22,5
24-25
14
24,5
26-27
12
26,5
28-29
7
28,5
30-31
18
30,5
32-33
5
32,5
34-35
1
34,5
14. Grafik
Histogram
KELOMPOK
USIA
FREKUENSI
NILAI NYATA
20-21
11
19,5-21,5
22-23
17
21,5-23,5
24-25
14
23,5-25,5
26-27
12
25,5-27,5
28-29
7
27,5-29,5
30-31
18
29,5-31,5
32-33
5
31,5-33,5
34-35
1
33,5-35,5
13. Ukuran Tendensi Sentral
a. Mean
RATA-RATA : suatu bilangan yang bertindak mewakili sekumpulan bilangan
RATA-RATA HITUNG (RERATA/mean) : jumlah bilangan dibagi banyaknya
n
Σ Xi
X + X2 + X3 + … + Xn
X= 1
n
i =1
n
Bila terdapat sekumpulan bilangan di mana masing-masing bilangannya memiliki frekuensi,
maka rata-rata hitung menjadi :
k
Σ Xifi
X f + X2 f2 + X3 f3 + … + Xkfk
X= 1 1
i =1
f1 + f 2 + f 3 + … + f k
k
Σ fi
Cara menghitung :
i =1
Bilangan (Xi)
Frekuensi (fi)
Xi fi
70
3
210
63
5
315
85
2
170
10
695
Jumlah
Maka :
X = 695 = 69.5
10
b. Median
MEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya membantu
memperjelas kedudukan suatu data.
Contoh : diketahui rata-rata hitung/mean nilai ulangan dari sejumlah siswa adalah 6.55.
Pertanyaannya adalah apakah siswa yang memperoleh nilai 7
termasuk istimewa, baik, atau biasa-biasa saja ?
Jika nilai ulangan tersebut adalah : 10 10 8 7 7 6 5 5 5 5 4,
maka rata-rata hitung = 6.55, median = 6
Kesimpulan : nilai 7 termasuk kategori baik sebab berada di atas rata-rata hitung
dan median (kelompok 50% atas)
Jika nilai ulangan tersebut adalah : 8 8 8 8 8 8 7 5 5 4 3,
maka rata-rata hitung = 6.55, median = 8
Kesimpulan : nilai 7 termasuk kategori kurang sebab berada di bawah median
(kelompok 50% bawah)
Jika sekumpulan data banyak bilangannya genap (tidak mempunyai bilangan tengah)
Maka mediannya adalah rerata dari dua bilangan yang ditengahnya.
Contoh : 1 2 3 4 5 6 7 8 8 9 maka median (5+6) : 2 = 5.5
c. Modus
MODUS : bilangan yang paling banyak muncul dari sekumpulan bilangan,
yang fungsinya untuk melihat kecenderungan dari sekumpulan bilangan tersebut.
Contoh : nilai ulangan 10 10 8 7 7 6 5 5 5 5 4
Maka : s = 6 ; k = 3 ; p =2
rata-rata hitung/mean = 6.55 ; median = 6
modus = 5 ; kelas modus = 5 - 7
Nilai
Frekuensi
Nilai
Frekuensi
10
2
8 – 10
3
8
1
5–7
7
7
2
2–4
1
6
1
Jumlah
11
5
4
4
1
Jumlah
11
+
Mo
X
Me
Kurva positif apabila rata-rata hitung > modus / median
Kurva negatif apabila rata-rata hitung < modus / median
e. Quartile
Quartile: titik/skor/nilai yang membagi seluruh distribusi frekuensi
ke dalam empat bagian sama besar, yakni masing-masing 1/4N.
Untuk data tunggal
1/4
N
Q1
1/4
N
1/4
N
1/4
N
Q2
Qn = l + n/4N – fkb
fi
Q3
Untuk data berkelompok
Qn = l + n/4N – fkb X i
fi
l = batas bawah nyata dari skor
yang mengandung Qn
f. Desile
Desile: titik/skor/nilai yang membagi seluruh distribusi frekuensi
ke dalam sepuluh bagian sama besar, yakni masing-masing 1/10N.
1/1
0N
Untuk data tunggal
Dn = l + n/10N – fkb
fi
D1
D2
D3 D4 D5 D6
D7 D8 D9
Untuk data berkelompok
Dn = l + n/10N – fkb X i
fi
l = batas bawah nyata dari skor
yang mengandung Dn
e. Percentile
Percentile: titik/skor/nilai yang membagi seluruh distribusi
frekuensi ke dalam seratus bagian sama besar, yakni masing-masing
1/100N.
Untuk data tunggal
Pn = l + n/100N – fkb
fi
P1
P25
P50
P75
P100
Untuk data berkelompok
Pn = l + n/100N – fkb X i
fi
l = batas bawah nyata dari skor
yang mengandung Pn
14. Ukuran Penyebaran
UKURAN YANG MENYATAKAN HOMOGENITAS / HETEROGENITAS :
1. RENTANG (Range)
2. DEVIASI RATA-RATA (Average Deviation)
3. VARIANS (Variance)
4. DEVIASI STANDAR (Standard Deviation)
Rentang (range) : selisih bilangan terbesar dengan bilangan terkecil.
Sebaran merupakan ukuran penyebaran yang sangat kasar, sebab hanya bersangkutan
dengan bilangan terbesar dan terkecil.
Contoh :
A : 100 90 80 70 60 50 40 30 20 10
B : 100 100 100 100 100 10 10 10 10 10
C : 100 100 100 90 80 30 20 10 10 10
Rata-rata
X = 55
r = 100 – 10 = 90
Deviasi Rata-rata : penyebaran
Berdasarkan harga mutlak simpangan
bilangan-bilangan terhadap rataratanya.
Rata-rata
17. Deviasi rata-rata
Kelompok A
Nilai X X - X
|X – X|
100
45
45
100
45
45
90
35
35
100
45
45
80
25
25
100
45
45
70
15
15
90
35
35
60
5
5
80
25
25
50
-5
5
30
-25
25
40
-15
15
20
-35
35
30
-25
25
10
-45
45
20
-35
35
10
-45
45
10
-45
45
10
-45
45
Jumlah
0
250
Jumlah
0
390
DR = 250 = 25
10
Rata-rata
Kelompok B
Nilai X X - X
|X – X|
DR = 390 = 39
10
n
|Xi – X|
DR = Σ
n
i=1
Makin besar simpangan,
makin besar nilai deviasi rata-rata
18. Varians & Deviasi Standar
Varians : penyebaran berdasarkan
jumlah kuadrat simpangan bilanganbilangan terhadap rata-ratanya ;
melihat ketidaksamaan sekelompok data
n
2
2
s = Σ (Xi – X)
i=1 n-1
Deviasi Standar : penyebaran
berdasarkan akar dari varians ;
menunjukkan keragaman kelompok data
Kelompok A
Nilai X
X -X
(X–X)2
Nilai X
X -X
(X –X)2
100
45
2025
100
45
2025
90
35
1225
100
45
2025
80
25
625
100
45
2025
70
15
225
90
35
1225
60
5
25
80
25
625
50
-5
25
30
-25
625
40
-15
225
20
-35
1225
30
-25
625
10
-45
2025
20
-35
1225
10
-45
2025
10
-45
2025
10
-45
2025
8250
Jumlah
Jumlah
s=
√
n
2
Σ (Xi – X)
i=1 n-1
Kelompok B
s=
√
8250
9 = 30.28
s=
√
15850
15850
9 = 41.97
Kesimpulan :
Kelompok A : rata-rata = 55 ; DR = 25 ; s = 30.28
Kelompok B : rata-rata = 55 ; DR = 39 ; s = 41.97
Maka data kelompok B lebih tersebar daripada kelompok A
19. Normalitas, Hipotesis, Pengujian
Distribusi Normal : kurva berbentuk bel, simetris, simetris terhadap sumbu yang
melalui nilai rata-rata
Kurtosis = keruncingan
Skewness = kemiringan
+3s  +2s  -s

 +s  +2s  +3s
68%
95%
99%
• Lakukan uji normalitas
• Rasio Skewness & Kurtosis berada –2 sampai +2
Rasio = nilai
Standard error
• Jika tidak berdistribusi normal, lakukan uji normalitas non parametrik (Wilcoxon,
Mann-White, Tau Kendall)
20. Normalitas, Hipotesis, Pengujian
Hipotesis : uji signifikansi (keberartian) terhadap hipotesis yang dibuat ;
berbentuk hipotesis penelitian dan hipotesis statistik (H0) ;
hipotesis bisa terarah, bisa juga tidak terarah ;
akibat dari adanya Ho, maka akan ada Ha (hipotesis alternatif) yakni
hipotesis yang akan diterima seandainya Ho ditolak
HIPOTESIS
TERARAH
TIDAK TERARAH
Hipotesis
Penelitian
Siswa yang belajar bahasa lebih
serius daripada siswa yang
belajar IPS
Ada perbedaan keseriusan siswa
antara yang belajar bahasa dengan
yang belajar IPS
Hipotesis Nol
(Yang diuji)
Siswa yang belajar bahasa tidak
menunjukkan kelebihan
keseriusan daripada yang belajar
IPS
Ho : b < i
Ha : b > i
Tidak terdapat perbedaan
keseriusan belajar siswa antara
bahasa dan IPS
Ho : b = i
Ha : b ≠ I
21. Normalitas, Hipotesis, Pengujian
Pengujian : bila Ho terarah, maka pengujian signifikansi satu pihak
bila Ho tidak terarah, maka pengujian signifikansi dua pihak
Pengujian signifikansi satu arah (hipotesis terarah):
Siswa yang belajar bahasa tidak menunjukkan kelebihan keseriusan daripada
yang belajar IPS
Ho : b < i
Jika Ho ditolak, maka Ha diterima ; daerah penolakan berada di sebelah kanan
5%
Daerah penerimaan hipotesis
Daerah
penolakan
hipotesis
2.5%
Daerah
penolakan
hipotesis
2.5%
Daerah penerimaan hipotesis
Daerah
penolakan
hipotesis
Pengujian signifikansi dua arah (hipotesis tidak terarah):
Tidak terdapat perbedaan keseriusan belajar siswa antara bahasa dan IPS
Ho : b = i
Jika Ho ditolak, maka Ha diterima ; daerah penolakan bisa berada di sebelah kiri atau kanan
22. Uji t
Uji t : menguji apakah rata-rata suatu populasi sama dengan suatu harga tertentu atau
apakah rata-rata dua populasi sama/berbeda secara signifikan.
1. Uji t satu sampel
Menguji apakah satu sampel sama/berbeda dengan
( - )
rata-rata populasinya
t =
• hitung rata-rata dan std. dev (s)
s / √n
• df = n – 1
• tingkat signifikansi ( = 0.025 atau 0.05)
• pengujian apakah menggunakan 1 ekor atau 2 ekor
• diperoleh t hitung ; lalu bandingkan dengan t tabel : jika t hitung > t tabel Ho ditolak
α
Contoh :
Peneliti ingin mengetahui apakah guru yang bekerja selama 8 tahun memang berbeda
dibandingkan dengan guru lainnya.
Ho : p1 = p2
Diperoleh rata2 = 17.26 ; std. Dev = 7.6 ; df = 89 ; t hitung = 11.55
Berdasarkan tabel df=89 dan = 0.05 diperoleh t tabel = 1.987
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
guru yang bekerja selama 8 tahun secara signifikan berbeda dengan
guru lainnya
α
23. Uji t
2. Uji t dua sampel bebas
Menguji apakah rata-rata dua kelompok yang tidak berhubungan sama/berbeda
t=
(X – Y)
Sx-y
Di mana
Sx-y =
√
(Σx2 + Σy2) (1/nx + 1/ny)
(nx + ny – 2)
Contoh :
Peneliti ingin mengetahi apakah ada perbedaan penghasilan (sebelum sertifikasi) antara
guru yang lulusan S1 dengan yang lulusan S3
Ho : Pb = Pk
Diperoleh : rata2 x = 1951613 ; y = 2722222 ; t hitung = - 7.369
Berdasarkan tabel df=69 dan = 0.025 diperoleh t tabel = 1.994
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
Rata-rata penghasilan guru yang S1 berbeda secara signifikan dengan
penghasilan guru yang S3
α
24. Uji t
3. Uji t dua sampel berpasangan
Menguji apakah rata-rata dua sampel yang berpasangan sama/berbeda
D
t= s
D
Di mana D = rata-rata selisih skor pasangan
sD =
√
Σ d2
N(N-1)
Σ
d2
=
ΣD2 – (ΣD)2
N
Contoh :
Seorang guru ingin mengetahui efektivitas model pembelajaran diskusi. Setelah selesai
pembelajaran pertama, ia memberikan tes dan setelah selesai pembelajaran kedua
kembali ia memberikan tes. Kedua hasil tes tersebut dibandingkan dengan harapan
adanya perbedaan rata-rata tes pertama dengan kedua.
Ho : Nd = Nc
Diperoleh rata2d = 66.28 ; rata2c = 73.84 ; t hitung = -8.904
Berdasarkan tabel df=163 dan = 0.05 diperoleh t tabel = 1.960
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
Terdapat perbedaan yang signifikan antara hasil tes pertama dengan
hasil tes kedua, sehingga ia menyimpulkan model diskusi efektif
meningkatkan hasil belajar siswanya
α
25. Uji Keterkaitan
Korelasi : hubungan keterkaitan antara dua atau lebih variabel.
Angka koefisien korelasi ( r ) bergerak -1 ≤ r ≤ +1
POSITIF
makin besar nilai variabel 1
menyebabkan makin besar
pula nilai variabel 2
Contoh : makin banyak waktu
belajar, makin tinggi skor
Ulangan  korelasi positif
antara waktu belajar
dengan nilai ulangan
NEGATIF
makin besar nilai variabel 1
menyebabkan makin kecil
nilai variabel 2
contoh : makin banyak waktu
bermain, makin kecil skor
Ulangan  korelasi negatif
antara waktu bermain
dengan nilai ulangan
NOL
tidak ada atau tidak menentunya hubungan dua variabel
contoh : pandai matematika dan jago olah raga ; pandai
matematika dan tidak bisa olah raga ; tidak pandai
matematika dan tidak bisa olah raga
 korelasi nol antara matematika dengan olah raga
26. Uji Keterkaitan
1. KORELASI PEARSON/PRODUCT MOMENT :
apakah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimana
arah hubungan dan berapa besar hubungan tersebut.
Digunakan jika data variabel kontinyu dan kuantitatif
r=
NΣXY – (ΣX) (ΣY)
√
NΣX2 – (ΣX)2 x √ NΣY2 – (ΣY)2
Di mana : ΣXY
ΣX2
ΣY2
N=
= jumlah perkalian X dan Y
= jumlah kuadrat X
= jumlah kuadrat Y
banyak pasangan nilai
Contoh :
10 orang siswa yang memiliki waktu belajar berbeda dites dengan tes IPS
Siswa
:
A
B
C
D
E
F
G
H
I
J
Waktu (X) :
2
2
1
3
4
3
4
1
1
2
Tes
(Y) :
6
6
4
8
8
7
9
5
4
6
Apakah ada korelasi antara waktu belajar dengan hasil tes ?
Siswa
X
X2
Y
Y2
XY
A
B
ΣX
ΣX2
ΣY
ΣY2
ΣXY
27. Uji Keterkaitan
2. KORELASI SPEARMAN (rho) dan Kendall (tau) :
Digunakan jika data variabel ordinal (berjenjang atau peringkat). Disebut juga korelasi
non parametrik
rp = 1 -
6Σd2
Di mana :
N = banyak pasangan
d = selisih peringkat
N(N2 – 1)
Contoh :
10 orang siswa yang memiliki perilaku (sangat baik, baik, cukup, kurang) dibandingkan
dengan tingkat kerajinannya (sangat rajin, rajin, biasa, malas)
Siswa
:
A
B
C
D
E
F
G
H
I
J
Perilaku :
2
4
1
3
4
2
3
1
3
2
Kerajinan :
3
2
1
4
4
3
2
1
2
3
Apakah ada korelasi antara perilaku siswa dengan kerajinannya ?
Siswa
A
B
C
D
Perilaku
Kerajinan
d
d2
Σd2
Download